Naukowcy związani z University of Texas przedstawiają UNCAP, ramy współpracy dla pojazdów autonomicznych, w których samochody wzajemnie opisują w języku naturalnym to, co obserwują. Ich zdaniem system ten uczy pojazdy wybierać sąsiadów, których należy słuchać, oraz przypisywać ich komunikatom odpowiedni stopień zaufania.
- Naukowcy z University of Texas proponują system UNCAP, w którym pojazdy opisują językiem to, co widzą.
- Pojazdy wybierają istotnych sąsiadów i oceniają wiarygodność ich komunikatów.
- Symulacje w CARLA pokazują mniejsze obciążenie łączności, lepsze wyniki jazdy i większe marginesy bezpieczeństwa.
- Opisy językowe działają lepiej niż surowe obrazy, lecz badania w rzeczywistym ruchu jeszcze trzeba przeprowadzić.
Zasada opiera się na prostej sytuacji. Ciężarówka zaparkowana na skrzyżowaniu zasłania nadjeżdżający z prawej strony samochód. Sąsiedni pojazd go widzi i mógłby przekazać komunikat tego typu: « Pojazd włączający się z prawej strony, około 15 metrów, jedzie szybko. » Samochód otrzymuje w ten sposób informację, której jego własne czujniki nie mogły zaobserwować.
Mówienie zamiast udostępniania surowych danych
Udostępnianie surowych danych, takich jak obrazy z kamer, chmury punktów LiDAR czy pomiary radarowe, to klasyczne podejście. Naukowcy zauważają, że staje się ono trudne do wdrożenia na dużą skalę: te strumienie zużywają znaczną przepustowość, wymagają dużych mocy obliczeniowych i zakładają, że wszystkie pojazdy mają porównywalny sprzęt. Tymczasem ruch drogowy łączy bardzo różnych producentów, konfiguracje czujników i oprogramowanie.
Język naturalny stanowi alternatywę. Komunikat taki jak « pieszy przechodzący za autobusem » czy « motocykl zbliżający się z lewej strony, z dużą prędkością » jest bardzo krótki, niezależny od sprzętu i zrozumiały dla modeli wizyjno-językowych, czyli modeli zdolnych przetwarzać zarówno obrazy, jak i tekst. Pozostaje jednak decyzja, które komunikaty słuchać i co robić, gdy dwa pojazdy sobie przeczą.
Cztery etapy
UNCAP działa bez specyficznego treningu, tzw. « zero-shot », i opiera się na istniejących modelach, do których dodaje strategię komunikacji. Pierwszy etap polega na wykrywaniu sąsiadów: każdy pojazd okresowo rozgłasza sygnał o wielkości kilku bajtów zawierający swoją pozycję i kierunek. Drugi etap filtruje istotne pojazdy, te wystarczająco bliskie i mogące wpłynąć na jego trajektorię. Zdaniem naukowców ta selekcja znacznie redukuje niepotrzebne wymiany i pozwala systemowi działać na dużą skalę.
Wybrane pojazdy następnie opisują swoje obserwacje, wraz z « kalibrowanymi » szacunkami pewności dzięki predykcji zgodnej, lekkiej metodzie dopasowującej poziomy pewności do rzeczywistej wiarygodności informacji. Każdy pojazd mierzy następnie, za pomocą informacji wzajemnej, w jakim stopniu każdy komunikat redukuje jego niepewność co do sceny. Na koniec tak skonstruowany opis jest przekazywany do modelu wizyjno-językowego, który proponuje decyzję, na przykład włączenie się do ruchu, oczekiwanie lub ustąpienie pierwszeństwa, z przypisanym wynikiem pewności.
Wyniki w symulacji
Testy przeprowadzono w symulatorze jazdy CARLA, z benchmarkiem OPV2V, obejmującym m.in. włączanie się do ruchu na autostradzie i miejskie skrzyżowania. W porównaniu z pojazdami bez komunikacji oraz wcześniejszymi podejściami rozgłaszającymi każdą obserwację wszystkim pojazdom, naukowcy odnotowują stałą poprawę. Wymieniają redukcję o 63% przepustowości komunikacji, wzrost o 31% wyniku jazdy, spadek o 61% niepewności decyzji i czterokrotnie większe marginesy bezpieczeństwa podczas niemal-kolizji.
Najbardziej nieoczekiwany wynik dotyczy surowych obrazów, które dały gorsze rezultaty niż język. Naukowcy sugerują, że modele wizyjno-językowe mają trudności z wnioskowaniem na podstawie wielu strumieni kamer z różnych kątów, a tłumaczenie na zwięzłe opisy działa jak etap sortowania informacji. Korzyści utrzymują się przy użyciu kilku modeli, GPT-4o, GPT-4.1, GPT-4o-mini i GPT-5, co ich zdaniem wynika ze strategii komunikacji, a nie z konkretnego modelu.
Ograniczenia
Eksperymenty pozostają ograniczone do symulacji. Szumy czujników, zawodna komunikacja bezprzewodowa, opóźnienia sieciowe i utrata pakietów wymagają dalszych badań. Ponadto zapytanie do modelu wizyjno-językowego zajmuje około sekundy, więc decyzje są podejmowane w kluczowych momentach, a nie w sposób ciągły. Autorzy uważają, że ich podejście wykracza poza autonomiczną jazdę, na zespoły robotów, dronów czy agentów programowych. Ich artykuł, opublikowany na arXiv, został nominowany do nagrody za najlepszy artykuł na konferencji AAMAS 2026.
